Pengembangan sistem rekomendasi menu diet sehat menggunakan multi criteria content based filtering dan random forest classifier

Maulida, Serevina Sherly (2026) Pengembangan sistem rekomendasi menu diet sehat menggunakan multi criteria content based filtering dan random forest classifier. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (184kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (181kB) | Preview
Preview	Text (LEMBAR PERNYATAAN KARYA SENDIRI) 3_skbebasplagiarism.pdf Download (3MB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (303kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (308kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (397kB)
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (524kB)
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (174kB)
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (193kB)
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (242kB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi menu diet sehat berbasis pendekatan hybrid dengan menggabungkan metode Multi-Criteria Content-Based Filtering (MCCBF) dan Random Forest Classifier. Sistem dirancang untuk membantu pengguna memilih menu diet berdasarkan preferensi seperti batas kalori, kategori lauk, sumber karbohidrat, serta deskripsi menu. Dataset yang digunakan terdiri dari 500 data menu yang dikumpulkan dari tiga UMKM katering sehat, yaitu Icel’s Room Kitchen, DietGo Kitchen, dan Yellow Fit Kitchen. Proses pengolahan data meliputi normalisasi teks, standarisasi sumber karbohidrat, serta pembentukan enhanced corpus sebagai dasar perhitungan kemiripan menggunakan TF-IDF dan cosine similarity. Model Random Forest digunakan untuk melakukan klasifikasi kategori lauk guna mendukung konsistensi rekomendasi. Evaluasi performa klasifikasi dilakukan menggunakan skema pembagian data 70:30 dan menghasilkan nilai Accuracy sebesar 98%, Precision 97,8%, Recall 96,6%, serta F1-Score 97%. Hasil tersebut menunjukkan bahwa model mampu mengklasifikasikan kategori menu dengan tingkat ketepatan tinggi, sehingga mendukung proses rekomendasi yang lebih relevan. Sistem kemudian diimplementasikan dalam aplikasi berbasis web menggunakan Streamlit agar dapat digunakan secara interaktif oleh pengguna maupun UMKM.

Actions (login required)

View Item